Skip to content
PDF Oxide

PDF Oxide vs pypdf

PDF Oxide 比 pypdf 快 15 倍，通过率更高，渲染、Markdown/HTML 导出、OCR 与表单处理都直接内置。pypdf 需要组合多个包才能完成的事情，PDF Oxide 一个库就能搞定。

为什么考虑用 PDF Oxide 替代 pypdf

速度。 pypdf 是纯 Python 实现。PDF Oxide 使用 PyO3 编译的 Rust 核心，直接在 Python 进程里运行。平均文本抽取：0.8 ms vs 12.1 ms —— 差距 15 倍。

稳定性。 PDF Oxide 在 3830 个测试 PDF 上通过率 100 %。pypdf 是 98.4 %，在 61 个合法 PDF 上会失败。

功能覆盖。 pypdf 定位是 PDF 操作库（合并、拆分、旋转、加密）。文本抽取、渲染、Markdown 输出、表单生成都需要额外的包。PDF Oxide 一次安装就能覆盖这些能力。

快速对比

PDF Oxide pypdf
平均抽取时间 0.8 ms 12.1 ms
通过率 (3830 PDF) 100% 98.4%
许可证 MIT BSD-3
语言 Rust + PyO3 纯 Python
文本抽取 支持 支持
字符位置 支持 部分支持
图片抽取 支持 支持
Markdown 输出 支持 不支持
HTML 输出 支持 不支持
PDF 生成 支持 (Markdown/HTML/图片) 有限 (仅合并)
表单字段 读 + 写 读 + 写
加密 读 + 写 读 + 写
渲染 支持 不支持
OCR 内置 不支持
搜索 正则 + 位置 不支持
安装体积 约 5 MB 约 1 MB

代码并排对照

文本抽取

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("report.pdf")
text = doc.extract_text(0)
print(text)

pypdf:

from pypdf import PdfReader

reader = PdfReader("report.pdf")
text = reader.pages[0].extract_text()
print(text)

遍历全部页面

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("book.pdf")
for i in range(doc.page_count()):
    text = doc.extract_text(i)
    print(f"--- Page {i + 1} ---")
    print(text)

pypdf:

from pypdf import PdfReader

reader = PdfReader("book.pdf")
for page in reader.pages:
    text = page.extract_text()
    print(text)

图片抽取

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("report.pdf")
images = doc.extract_image_bytes(0)
for i, img in enumerate(images):
    with open(f"image_{i}.{img['format']}", "wb") as f:
        f.write(img["data"])

pypdf:

from pypdf import PdfReader

reader = PdfReader("report.pdf")
page = reader.pages[0]
for i, image in enumerate(page.images):
    with open(f"image_{i}.{image.name.split('.')[-1]}", "wb") as f:
        f.write(image.data)

加密 PDF

PDF Oxide:

from pdf_oxide import PdfDocument

doc = PdfDocument("encrypted.pdf", password="secret")
text = doc.extract_text(0)

pypdf:

from pypdf import PdfReader

reader = PdfReader("encrypted.pdf")
reader.decrypt("secret")
text = reader.pages[0].extract_text()

Markdown 转换

PDF Oxide (内置):

from pdf_oxide import PdfDocument

doc = PdfDocument("paper.pdf")
md = doc.to_markdown(0, detect_headings=True)
print(md)

pypdf:

# pypdf 没有 Markdown 转换能力
# 需要自行拼装一条独立的工具链

基准测试细节

指标 PDF Oxide pypdf
平均抽取时间 0.8 ms 12.1 ms
p99 抽取时间 9 ms 97 ms
通过率 (合法 PDF) 100% (3823/3823) 98.4% (3762/3823)

pypdf 是纯 Python 实现，每一步操作都要经过解释器。PDF Oxide 的 Rust 核心在本地层完成解析、字体解码和文本拼装，只有最终结果才越过边界进入 Python。

语料构成见 完整基准方法。

功能缺口

pypdf 在 PDF 操作上相当扎实 —— 合并、拆分、旋转、加密都不是问题。但缺失的部分也很明显：

功能 PDF Oxide pypdf
Markdown 转换 doc.to_markdown(0) 不具备
HTML 转换 doc.to_html(0) 不具备
根据内容生成 PDF Pdf.from_markdown()、Pdf.from_html() 不具备
渲染为图片 支持 不具备
扫描 PDF 的 OCR 内置 PaddleOCR 不具备
文本搜索 doc.search("query") 不具备
字符级 bounding box doc.extract_chars(0) 部分支持
PDF/A 校验 支持 不具备

如果你的流程只涉及合并/拆分/旋转，pypdf 这种轻量纯 Python 方案完全合理。一旦触及文本抽取质量、PDF 生成或格式转换，PDF Oxide 在完整度上就是更合适的选择。

什么情况下仍选择 pypdf

  • 需要纯 Python 依赖，拒绝任何编译扩展
  • 用例严格限于合并/拆分/旋转/加密，没有文本抽取需求
  • 出于遗留系统整合，依赖 pypdf 特有的 PDF 操作方法

相关页面